Php怎么使用rpc，如何评价PHP和Python？
性能方面用合适的语言PHP或者Java就可以了
Python是万能的胶水语言，做爬虫，数据分析是最好的
PHP7+Swoole性能方面可以大大提升，如果你已经是一名PHP程序员了建议你深入
入门简单，深入难，市场目前大多数PHPer停留在初级阶段，高级程序员很少
进阶中高级需要学习PHP优化，Swoole接口，微服务，Mysql底层优化等，才能拥有一份25K左右的薪资，让自己有一些市场竞争力度！等你有一定经验后，想要进阶CTO、架构师的话，高并发分流，分布式缓存、RPC、API架构设计等技术都必将掌握！如果你想要往架构师或TL的方向发展的话，那或许你可以看一下我分享给你的这份进阶路线图，主要针对1到5年及以上的PHP开发人员，里面的技术包涵了PHP高并发、分布式、微服务、框架内核、高性能等技术！！还准备了一套中高级进阶学习教程，分享tp,laravel，Swoole，swoft微服务等教程，每天还有12年的架构师做讲解，需要可关注本头条号，并且发送私信关键词：PHPPython为什么这么厉害？
Python的确挺厉害的~但不是生来就那么厉害。
Python是在1991年被创造出来的，但真正开始被广泛使用是Python 2.6以后的事情了。从2012年开始到现在，Python的热度持续累积，成为关注度增长最快的语言。
有图有真相：Python如此快的增长，说明了它确实十分神奇
所以说，Python并没有像Golang等语言那么幸运，生来就备受关注；而是因为语言本身的设计特点对生态环境有着极强的适应能力，同时适时抓住了成长机遇，从而厚积薄发。
精妙的设计哲学早期的Python，在Java、PHP、JS、C++等重重包围下，尽管受众不广，但仍旧得以生存，主要因为Python的设计哲学使其具备了十足的生命力。
忍不住要分享一下精妙的Python之禅（摘自Python官网），它并非出自Python创始人之手，但已被官方认可为编程原则。而精妙之处在于它不仅适用于编程，更适用于人生。原来每一个热爱代码的优秀编程者都是哲学家。
The Zen of Python, by Tim PetersBeautiful is better than ugly.Explicit is better than implicit. Simple is better than complex. Complex is better than complicated. Flat is better than nested. Sparse is better than dense. Readability counts. Special cases aren't special enough to break the rules. Although practicality beats purity.Errors should never pass silently. Unless explicitly silenced. In the face of ambiguity, refuse the temptation to guess. There should be one-and preferably only one --obvious way to do it. Although that way may not be obvious at first unless you're Dutch. Now is better than never. Although never is often better than right now. If the implementation is hard to explain, it's a bad idea. If the implementation is easy to explain, it may be a good idea. Namespaces are one honking great idea -let's do more of those!带着这种哲学，Python逐渐发展成了一个特别简明友好、容易上手、功能强大的语言，发展过程中，Python抓住了三次飞速发展的机会。
适时抓住成长机遇第一个机会，Web与敏捷开发
在受到广泛关注之前，Python更多地是作为简单脚本语言，配合一些系统相关工作而被运用（主要是跟Perl抢地盘）。Python开始受到广泛关注，得益于Google的推动。Google或许不是第一家使用Python的公司，但它是第一家大规模使用Python进行Web相关开发的全球著名公司，从而有力地证明了Python能够很好地完成Web开发相关的许多工作。
而此时互联网正开始向快速开发转型，开发速度对于企业，尤其是初创企业而言至关重要，因此Python简洁便利与高效开发的特点吸引了众多企业和组织，同期衍生出来的社区环境又为Python提供了无数优质到可以进行生产级使用的模块和包；对比彼时PHP的模板式开发，Java的庞大繁杂，Ruby的语法新奇多变，Python为中小型企业的快速开发提供了尤为可能的解决方案，从而使得Python开始小有名气。
第二个机会，科学计算
相较于商业开发，科学计算面向更多的是非专业的编程人员，从这个方向上来说，抛开商业化软件不谈，Python的竞争对手也是前有Fortran，后有R、Julia语言的存在，虽然历史积累不如Fortran，抽象形式不及R，现代化和综合性能不如Julia，但是这些却仍然没有妨碍Python在这个领域里大显身手。
历史积累不如Fortran？没关系！借助C接口把Fortran包包裹起来让Python用就好；
抽象形式不及R？没关系！Python语法简单库还多，学习起来也不难，效率还高一丢丢，更重要的是借助这些特点能直接做产品，比R更具市场亲和力；
现代化不如Julia？没关系！Python社区大，要啥包有啥包。
更让人们惊喜的是，借助Python的各种模块和包，能够十分简单地实现之前需要折腾很久的繁杂工作，诸如访问数据库和表格文件，哪怕是在R语言中，仍旧需要从ODBC里一点点拿出数据；而用Python，以Pandas，一句话就能解决数据的读甚至写。
并且，随着计算金融和大数据的兴起，大量程序员开始投入科学计算，相较于Fortran的陈腐、R的浓厚统计数学意味以及Julia的不发达社区，Python自然而然的成了很多人的首选；而经验丰富的程序员又更进一步推动了Python社区的发展，更多优秀的包和模块得到了迅速推广：
矩阵、符号、科学计算？有NumPy、SymPy和SciPy；
统计分析？有Pandas；
可视化？有matplotlib、seaborn；
……
于是，Python很快便在该领域占据了半壁江山。
第三个机会，深度学习
在较早的很长一段时间里，提到机器学习，人们往往会使用C++、Java等作为主要工具。GPGPU的出现使得计算庞杂的机器学习任务开始由CPU向GPU转变，但研究者直接进行GPU编程，在计算复杂的模型时，不仅需要大量心智来分析算法的设计，还不得不投入大量精力解决显卡计算开发中的工程问题，为研究增添了非常大的难度。
随着时间的积累，更多的开源库出现，使得机器学习中主要算法实现抽象成了一个个模块，研究者才得以从繁杂的工程开发中解放出来。此时，代码成了模块的调用和描述，使用诸如C++或Java这样繁杂的工程化语言不再是必要选择，特别是更通用化的深度学习出现，促使研究者需要一种更加易读、易分析的描述性语言（DSL）来解决问题。
而Python因此前在科学计算领域已有广泛应用，加之它能很容易接入现有的C/C++库，以及良好的可读性，成为不少框架的必然选择，如Theano和Caffe。同时，由于AlphaGo亮眼的表现聚焦了众人的注意力，并随后开源了以Python为接口Tensorflow，使得由AI热潮带来的学习者纷纷奔向了Python和Tensorflow。
之后，越来越多的框架都开始提供Python接口——Python能够容易而清晰地描述模型结构，轻松解决计算中的数据输入（无论从硬盘、数据库、网络中的任何一种）问题，简单地实现可视化，并能轻易地设计为Web服务。甚至连使用Lua的Torch都实现了以Python为接口的演进版本PyTorch。至此，Python几乎已经统治了深度学习的模型设计、训练领域。
Python在深度学习上有多神？
正如前文所述，Python极大地减轻了深度学习研究者的心智负担，使之得以将更多的精力集中在模型的设计、改进上。而当深度学习的研究可以集中在对模型结构、对优化算法等方面的研究上，这个领域的进展迅速也就可以被理
不妨看一个简单的例子，此处使用Keras框架中对MNIST（手写数字识别）数据集的深度卷积网络的实现代码：
让我们详细看看这段不到70行的代码：加载标准数据集不过仅仅5 行，训练部分也就寥寥数行，而其中的模型，更是简单直白：数据顺序地经过若干卷积层（Conv2D）、池化层（MaxPooling2D）、展平（Flatten）和全连接层（Dense）。
加载标准数据集仅仅5 行
训练部分寥寥数行
这样的一段程序，经过训练，对于手写数字的识别率可以达到99.25%，如果你愿意，也可以为此程序接入微信、网站，或包装成应用程序，一切都只需要简单的几行代码即可完成。
更多Python可以做到的事情请参看你都用 Python 来做什么？
所以你看，Python其实是属于厚积薄发型选手，与其说它神，倒不如说它早就做好了准备，一直在寻找爆发的机会，Python的语言哲学值得认真品读一番。
电脑内存条的amf什么意思？
amf是Flash与服务器进行通信的一种编码格式（为了方便理解，你可以暂时把它理解为与XML相似的技术），但它是以二进制数据进行传输的，客户端采用POST形式进行数据提交，它的最大特色是可以直接传输复杂的数据类型，比如数组、普通对象、日期对象等，而且可以对传输的数据进行压缩以提高传输速率，另外结合Flash Remoting网关（FluorineFx、amfphp、OpenAMF），通过远程过程调用（RPC）可以在客户端方便调用服务器定义的公开方法并得到返回的数据。
它的设计是为了提高数据传输速率，提高开发效率的，目前在一些基于Flash开发的大型网页游戏中都能找到它的踪影。本文讲解一个有关AMF插件工具的使用，一方面是为了方便开发测试，另一方面也是希望通过此工具了解基于AMF开发的成功网站的通讯数据。
小白能学会编程吗？
你刚出生的时候，你什么都不会。
正如开篇导语所说，你刚出生的时候，什么都不会，可是你现在很厉害了，这世界上，没有什么事情是学不会的，无非就是你愿不愿意学。
关于小白和英语任何一个要学习编程的小伙伴，都是站在同一条起跑线上的，都是小白，没有谁一开始就会编程！
只是有的人比较早学，有的人比较晚学，起跑线是一样的，那就是大家都是小白，但有些人跑到终点，而有些人半途而废。有的人用了4年大学时间，从C语言开始打基础，让自己的职业之路更加顺畅，有的人半路出家，花一年时间自学某高级语言，你要说这两者有什么差别？
差别肯定有，但是结果影响不会太大，w3cschool见过非常牛逼的半路出家程序员，也见过大学科班出生代码却写的一团糟的程序员。
至于英语？
如果懂英语的话，那么学习编程肯定能够带来帮助，但那不是关键，至少w3cschool周围的程序员大部分英语都很差。
反正很简单一句话：会英语的小伙伴，学习编程的门槛会低，但是不会英语的小伙伴，也没事，因为影响真的没多大。
关于学习w3cschool最近说的一句话就是：为什么我们能够忍受生活之苦，却无法忍受学习的枯燥。
学习本身就是一件无聊的事情，学习编程也是！
学习编程一定要抱着热情和兴趣去学习，大概是这样的一个过程。
兴趣特别特别重要！
而选对一门编程语言，也成为了你是否有兴趣学习编程的一个重要前提。
编程语言没有高低之分，目前主流的编程语言，都能够让你找到高薪职位，而且目前国内互联网对于程序员的缺口也大，工作机会也多。
编程语言对新手来说，关键在于是否适合你，是否容易入门！
关于编程语言选择正如上图所示，兴趣循环是学习编程，所以一般情况下，对于哪些想要快速学习一门语言并且找到工作的小伙伴来说，不建议学习C语言。
C语言是一门牛逼但是不容易亲近的语言，刚开始学的都是概念化的知识，可能你学习一年，还做不出什么具体的东西，不像PHP、Python等语言，快速上手，就能做出点东西，让你有成就感。
但是对于时间充足的学生来说，建议你从C语言开始入门，先将基础打牢固，后续学习其他语言，如虎添翼。
另外当你学会C语言，你再去学其他语言，你会发现，都非常简单。
小方法：
关于自己第一门语言的选择，还有一个小方法，小伙伴们可以尝试一下。
去w3cschool的网站上，打开编程实战，然后像玩游戏一样，把每个语言都去尝试一下，然后总结下哪个语言风格是自己最喜欢的，以此来判断自己的第一门编程语言。
结语w3cschool是一个从事编程教育多年的网站，主旨就是希望各位小伙伴通过学习来改变一点点东西，说命运可能有点夸张，但是，哪怕是改变一点点，那么也让w3cschool由衷欢喜。
最后说一句：学无止境，你我共勉之。
大数据主要学习哪些内容？
前言要从事计算机行业的工作，不管是什么工作，开发、测试、还是算法等，都是要有一门自己比较熟练的编程语言，编程语言可以是C语言、Java、C++等，只要是和你后续工作所相关的就可以（后续用到其他语言的话，你有一门语言基础了，学起来就快了）。一般初学者入门语言大多都会选择Java、C语言、C++或者Python，而且现在网上有很多好的视频，可以供初学者学习使用。关于学习视频或者资料的选择，知乎或者百度等都有很多讲解了，也可以跟师兄师姐咨询，这样可以少走很多弯路，当然，有人说，走一些弯路总是有好处的，但是我这里说的弯路不是说不犯错误，不调bug，而是指学习资料以及一些知识点的偏重点，这样可以尽量节约一部分时间，刚开始时，总会有点迷，而且当你真正投入进去学习时，会发现时间总是不够用。
我前面是做的Java后端，后续才转的大数据，所以一些Java开发所需要的东西自己也有学习过，也都是按照正常的路线走的，JavaSE阶段，然后数据库，SSM框架，接着做了一些网上找的项目，之后发现对大数据比较感兴趣，就开始找大数据相关的资料学习，看视频，看博客，敲代码，前期大概花了3-4个月吧（公众号的这些资料就是我当时看过的），也是一步步艰难走过来的，刚刚开始接触大数据相关的东西时，一度怀疑这么多东西自己能否学得完，是不是能用得到，学完又忘了，忘了又回头看，不过还好，坚持过来了，还好没有放弃，工作也还ok，找的大数据开发岗，待遇也还不错吧。
下面就说一下我自己从Java开发到大数据开发的曲折学习之路（狗头保命.jpg）。因为我现在是做大数据相关的工作了，所以Java后端涉及到的一些SSM框架等知识点我就不介绍了，毕竟后续一段时间也没有做了。自己看过的大数据学习相关的视频+资料大概是200G-300G吧，从Linux->Hadoop->。。。->Spark->项目，还有就是一些面试文档，面经等。一些视频看了两遍或者更多，跟着学，跟着敲代码，做项目，准备面试。涉及到需要学习的东西包括：JavaSE，数据结构与算法（计算机行业必备），MySQL，Redis，ES（数据库这些可以看项目，也可以自己熟练一两个），Linux，Shell（这个可以后期补），Hadoop，Zookeeper，Hive，Flume，Kafka，HBase，Scala（Spark是Scala写的，会Scala做相关的项目会更容易入手），Spark，Flink（这个是找工作时有面试官问过几次liao不liao解，所以找完工作才开始接触学习），相关项目。
编程语言阶段学习如果是零基础的话，建议还是从视频开始入门比较好，毕竟一上来就看教材，这样有些代码的来龙去脉可能不是很了解。如果是有一些编程语言基础的话，从视频开始也会更简单，一些for、while循环你都知道了，学起来也会快很多。 JavaSE我是选择的某马刘意的为主，因为刚刚开始学Java看过一本从《Java从入门到精通》，没什么感觉，后续又在看了某课网的Java初级视频，还是没感觉出来啥（当时就有点怀疑自己了。。。），可能有点没进入状态。 还好后续找了某马刘意老师的JavaSE视频（我是看的2015年版本，那时候19版还没出），觉得他讲的真的是很好很详细，每个知识点都会有例子，也都会带你敲代码，做测试，可能前面有C语言基础，然后也看过Java的一些语法，所以学起来还是比较顺利，后面的IO流、多线程等知识点时，也有看书看博客，或者看看其他老师的课程，讲解的可能自己比较容易接受就可以，反正都是多尝试（下面会给出视频链接），尽量懂一些，后续可以回头来复习。JavaSE相关的视频，先看一遍，后续有时间建议再看一遍，而且这些经典的视频，看两遍真的是享受。 如果有一定基础了的，JavaSE前面七八天的视频可以加速看，但是不懂的一定要停下开仔细想想，零基础的还是尽量不要加速吧，慢慢来稳些。后面的视频建议还是跟着视频来，尽量不要加速，代码尽量都敲一敲，第一遍基本上一个月到一个半月可以结束。 JavaSE可以说是很基础也很重要的东西，主要重点包括面向对象、集合（List、Map等），IO流，String/StringBuilder/StringBuffer、反射、多线程，这些最好是都要熟悉一些，面试也是重点。 JavaSE之后，如果你是要走前端或后端开发路线的话，可以跟着一些网上的视频继续学习，这里我就不多做介绍了。
===========分割线，Scala可以后续Spark阶段再接触学习=============
Scala的学习，Scala是一门多范式 (multi-paradigm) 的编程语言，Scala支持面向对象和函数式编程，最主要的是后续Spark的内容需要用到Scala，所以前面学习了JavaSE，到Spark学习之前，再把Scala学习一波，美滋滋，而且Scala可以和Java进行无缝对接，混合使用，更是爽歪歪。后续Spark学习时基本都是用的Scala，也可能是和Java结合使用，所以Spark之前建议还是先学一波Scala，而且Scala用起来真是很舒服（wordcount一行代码搞定），适合迭代式计算，对数据处理有很大帮助，不过Scala看代码很容易看懂，但是学起来还是挺难的，比如样例类（case class）用起来真是nice，但是隐式转换学起来就相对比较难。学习Scala的建议：1. 学习scala 特有的语法，2. 搞清楚scala和java区别，3. 了解如何规范的使用scala。Scala对学习Spark是很重要的（后面Flink也是要用），虽然现在很多公司还是用Java开发比较多，而且Spark是Scala写的，如果要读源码，会Scala还是很重要的（至少要看得懂代码）。 Scala主要重点包括：隐式转换和隐式参数、模式匹配、函数式编程。这里我看的是某硅谷韩老师的Scala视频，韩老师讲的真的很不错，五星推荐，哈哈。 也许有人会觉得Python也是需要的，但是学习阶段，可能用Java还是比较多，面试也基本都是问Java相关的内容，所以Python后续工作会用到的话，再看看Python的内容吧。
大数据框架阶段学习大数据这方面的知识点自己可以说真的是从零开始的，刚刚开始学那会Linux基本都没用过，心里那个虚啊，而且时间也紧迫，想起来都是一把辛酸泪。 刚刚开始学的时候，看了厦门大学林子雨的《 大数据技术原理与应用》课程，可能这个课程是面对上课的，所以看了一些，感觉对自己帮助不是很大（并不是说课程不好，可能不太适合自己，如果是要了解理论知识，很透彻，但是俺时间紧迫啊），所以就继续在网上找视频，然后发现某硅谷的培训视频很多人去参加，而且知识点也很齐全，大数据相关组件都有讲课，还有一些项目比较好，所以就找了它相关的视频，当时看的是2018年的，所以视频不算旧。 来一张推荐系统架构的图，先看看
一般来说，Flume+Kafka对数据进行采集聚合传输，一方面Spark对实时数据进行处理，传输给相应的数据处理模块（比如实时数据处理的算法模块，Spark也有提供常见的机器学习算法的程序库），另一方面采集的数据也可以放入数据库（HBase、MongoDB等）中，后续MapReduce对离线数据进行离线处理，数据处理完毕用于后续的使用，数据采集处理的流程大概就是这样。如果是推荐系统，实时推荐会给用户产生实时的推荐结果，让用户进行查阅选择，比如你在界面浏览了或者看了新的物品，然后刷新下界面，可能给你展示的东西就有一些变成跟你刚刚浏览的相关了。离线推荐的话主要是对离线数据进行处理，为物品或种类做出相似的推荐，如果后续用户搜索相应的物品时，给用户展示相应的产品。
大数据学习路线：Linux -> Hadoop -> Zookeeper -> Hive -> Flume -> Kafka -> HBase -> Scala -> Spark -> 项目 > Flink（ 如果需要学习Storm，在Spark前面学习）
一、Linux（基本操作）一般我们使用的都是虚拟机来进行操作，所以要安装VM（ Virtual Machine），我使用的是CentOS，所以VM和CentOS都要跟着安装好，跟着视频操作，一定要动手实践，将一些Linux基本命令熟练掌握，一些VIM编辑器的命令也要会用，做相应的一些配置，使用SecureCRT来做远程登录操作（也可以使用其他的，自己顺手就行）。再强调一遍，基本操作命令尽量熟练一点，如果一下记不住，打印一些常用的，自己看看，多用多实践，慢慢就会用了。还有一些软件包的下载安装卸载等，跟着操作一遍，熟悉下，后续都会使用，Shell编程可以后续补。
二、Hadoop（重点中的重点）Hadoop是一个分布式系统基础框架，用于主要解决海量数据的存储和海量数据的分析计算问题，也可以说Hadoop是后续整个集群环境的基础，很多框架的使用都是会依赖于Hadoop。主要是由HDFS、MapReduce、YARN组成。这个部分安装Hadoop，Hadoop的三个主要组成部分是重点，对他们的概念要理解出来，知道他们是做什么的，搭建集群环境，伪分布式模式和完全分布式模式的搭建，重要的是完全分布式的搭建，这些部分一定要自己动手实践，自己搭建集群，仔细仔细再仔细，Hadoop的NameNode，DataNode，YARN的启动关闭命令一定要知道，以及他们的启动关闭顺序要记住，不要搞混。后续视频会有一些案例操作，跟着写代码，做测试，把基本环境都配置好，后续这个集群（完全分布式需要三台虚拟机）要一直使用。
三、ZookeeperZookeeper是一个开源的分布式的，为分布式应用提供协调服务的Apache项目。分布式安装ZK，对ZK有一定的了解就可以了，了解它的应用场景，以及内部原理，跟着做一些操作，基本上有一些了解即可。
四、Hive（重点）Hive是基于Hadoop的数据仓库工具，可以将结构化的数据文件映射为一张表，并提供类SQL查询功能。Hive的安装，它的数据类型，以及它的数据定义、数据操作有较好的了解，怎么操作表（创建表、删除表，创建什么类型的表，他们有什么不同），怎么操作数据（加载数据，下载数据，对不同的表进行数据操作），对数据的查询一定要进行实践操作，以及对压缩方式和存储格式要有一些了解，用到时不懂也可以去查，最好是能理解清楚。这部分有什么面试可能会问，所以视频后续的面试讲解可以看看，理解清楚。
五、FlumeFlume是一个高可用的，高可靠的，分布式的海量日志采集、聚合和传输的系统。对于Flume，对它的组成架构，以及对Flume Agent的内部原理要理解清楚，Source、Channel、Sink一定要知道它们的各种类型以及作用，有哪些拓扑结构是常见常用的，例如一对一，单Source、多Channel、多Sink等，它们有什么作用，要理解清楚。还有一个重点，就是对Flume的配置文件一定要了解清楚，不懂的可以上官网查看案例，对于不同的情况，它的配置文件要做相应的修改，才能对数据进行采集处理，视频中的实践案例一定要跟着做。
六、Kafka（重点）Kafka是一个分布式消息队列，用来缓存数据的。比如说实时计算中可以通过Flume+Kafka对数据进行采集处理之后，Spark Streaming再使用Kafka相应的Topic中的数据，用于后续的计算使用。对于Kafka，要理解Kafka的架构，什么是Kafka，为什么需要Kafka，应用场景。基本的命令行操作要掌握，比如怎么创建删除Topic，怎么通过生产者生成数据，消费者怎么消费数据等基本操作，官网也是有一些案例可以查阅的。
七、HBase（重点）HBase是一个分布式的、基于列存储的开源数据库。HBase适合存储PB级别的海量数据，也可以说HBase是很适合大数据的存储的，它是基于列式存储数据的，列族下面可以有非常多的列，列族在创建表的时候就必须指定。所以对HBase的数据结构要有一定的理解，特别是RowKey的设计部分（因为面试被问到过，咳咳，所以点一下），对于它的原理要了解，一些基本操作也要都会，比如创建表，对表的操作，基本的API使用等。
八、Spark（重点中的重点）Spark是快速、易用、通用的大数据分析引擎。一说到Spark，就有一种哪哪都是重点感觉，哈哈。 Spark的组成可以看下图
Spark是基于内存计算的，对于数据的处理速度要比MapReduce快很多很多，而且数据挖掘这些都是要对数据做迭代式计算，MapReduce对数据的处理方式也不适合，而Spark是可以进行迭代式计算，很适合数据挖掘等场景。Spark的Spark SQL能够对结构化数据进行处理，Spark SQL的DataFrame或DataSet可以作为分布式SQL查询引擎的作用，可以直接使用Hive上的表，对数据进行处理。Spark Streaming主要用于对应用场景中的实时流数据进行处理，支持多种数据源，DStream是Spark Streaming的基础抽象，由一系列RDD组成，每个RDD中存放着一定时间段的数据，再对数据进行处理，而且是基于内存计算，速度快，所以很适合实时数据的处理。Spark MLlib提供常见的机器学习(ML)功能的程序库。包括分类、回归、聚类、协同过滤等，还提供了模型评估、数据 导入等额外的支持功能。对Spark的核心组件、部署模式（主要是Standalone模式和YARN模式）、通讯架构、任务调度要有一定了解（面试问到了可以说一波），Spark Shuffle要好好理解，还有内存管理要知道，对Spark的内核原理一定要好好理解，不仅面试可能要用，以后工作也是有帮助的。
九、Flink（重点中的重点）Flink是一个框架和分布式处理引擎，用于对无界（有开始无结束）和有界（有开始有结束）数据流进行有状态计算。现在主要是阿里系公司使用的比较多，很多公司使用的还是Spark居多，而且Flink基本上都是和Spark很多功能大体上一样的，但是以后Flink和Spark孰强孰弱还有待时间的考验，不过Flink近几年越来越火了这是事实，所以如果有时间有精力的话，可以学一学Flink相关的内容也是很不错的。Spark和Flink主要都是在数据处理方面应用，在数据处理方面的话，离线数据处理：Flink暂时比不上Spark，Spark SQL优点在于可以和Hive进行无缝连接，Spark SQL可以直接使用Hive中的表；Flink暂时做不到这一步，因为官方不支持这一操作，Flink只能将数据读取成自己的表，不能直接使用Hive中的表。对于实时数据的处理：Flink和Spark可以说是平分秋色吧，而且Flink是以事件为驱动对数据进行处理，而Spark是以时间为驱动对数据进行处理，在一些应用场景中，也许Flink的效果比Spark的效果还要好些，因为Flink对数据更加的敏感。比如一秒钟如果触发了成千上万个事件，那么时间驱动型就很难对数据做细致的计算，而事件驱动型可以以事件为单位，一个个事件进行处理，相比而言延迟更低，处理效果更好。现在使用Flink的公司越来越多，有时间学习下，也算是有个准备。
项目阶段其实某硅谷的视频里面有很多大数据相关的项目，而且都是文档配代码的，B站上也有视频，学习期间可以跟着视频做两到三个项目，自己理清思路，把项目理解透彻，还是可以学到很多东西的。 根据自己情况，选择两到三个项目重点跟着做，理解透彻一点
大数据项目实战某硅谷的视频里面有很多大数据相关的项目，而且都是文档配代码的，学习期间可以跟着视频做两到三个项目，自己理清思路，把项目理解透彻，还是可以学到很多东西的。根据自己情况，选择两到三个项目重点跟着做，理解透彻一点。相关项目文档资料我已经放到网盘，GongZhongHao回复相应关键字获取领取方式。 相关项目、涉及技术框架及其B站链接（B站链接主要是为了有些小伙伴网盘速度限制，这样就下载文档资料即可）
书籍书籍部分直接云盘链接保存即可，这里我放两张Java开发和大数据开发我自己的书单（很多，路漫漫，吾将上下而求索~） Java后端书架：
大数据书架：
大概就这些，看完就需要很久了，大部分我也是需要的时候看相应的部分，所以有时间可以好好看下，不然就需要哪一部分看哪一部分，有助于学习即可。
最后大数据开发也是需要编程基础的，并不是学会使用这些框架怎么样就可以了，所以对于编程语言，数据结构与算法，计算机网络这些基础也是要的，这些基础知识也有助于自己以后的发展，如果是应届生校招的话，面试基本上都是JavaSE和数据结构与算法等的知识点，还有大数据组件相关的知识点，以及对项目的理解，这些都是要自己面试前准备好的，多看面经，多找面试题看，面几次，心里有谱了，后续面试就好了。 不管是从事什么样的计算机相关的岗位，编程都是很重要的，数据结构与算法特别重要，还有就是leetcode等编程网站刷题，提升自己的编程思维，后续笔试面试都要要的。 要将一行行代码看做一叠叠rmb，但是一行行代码能不能转换成一叠叠rmb，自己就一定要：坚持，多敲代码；多敲代码，坚持；坚持。